用函数式重写VGG16

将经典的卷积神经网络(VGG16)转换成函数式风格通常是为了利用Keras等深度学习框架提供的灵活性，并让模型结构更容易理解和重构。VGG16原本是一个包含许多卷积层、池化层和全连接层的深层网络。以下是使用Keras Functional API对VGG16进行简化和函数式重写的大概步骤：

1. 导入必要的库和预训练的VGG16模型：

from tensorflow.keras.applications.vgg16 import VGG16, preprocess_input

2. 冻结基础模型的权重（只读模式），防止它们在训练新任务时被修改：

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
for layer in base_model.layers:
    layer.trainable = False

3. 定义新的输入层和顶部的预测层：

input_tensor = Input(shape=(224, 224, 3))
x = base_model(input_tensor)
x = GlobalAveragePooling2D()(x)
predictions = Dense(num_classes, activation='softmax')(x)

4. 创建完整的函数式模型：

model = Model(inputs=input_tensor, outputs=predictions)

5. 可能需要编译模型并添加自定义损失和优化器：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

在这个重写过程中，我们保留了VGG16的特征提取部分，仅在顶部加入了自己的分类层。如果你想进行微调（即允许某些底层层训练），可以将`trainable = False`更改为`trainable = True`。